Iedereen heeft een licentie. Niemand werkt anders.

Er is een gesprek dat ik het afgelopen jaar in verschillende organisaties bijna woordelijk hetzelfde heb gevoerd. Iemand van IT of van de directie laat een dashboard zien. Zoveel licenties uitgezet, zoveel accounts geactiveerd, zoveel mensen die minstens één keer hebben ingelogd. En dan komt de zin: "maar we zien het niet terug in het werk."

Dat is geen falen van de technologie. Het is het punt waarop een invoering overgaat in een verandering, en waarop de meeste organisaties stoppen met sturen omdat het project formeel klaar is.

Uitrol is een gebeurtenis. Gebruik is een gewoonte.

Een uitrol heeft een einddatum. Er is een go-live, een communicatiemoment, een training, en daarna een lijst met vinkjes. Gewoontes werken anders: die ontstaan door herhaling in een context die het toelaat, en ze verdwijnen zodra de druk van de dag terugkomt.

De meeste AI-invoeringen worden geplant als het eerste en gemeten als het tweede. Vandaar de teleurstelling. Je hebt een project afgerond en verwacht een gedragsverandering.

Licentiecijfers vertellen je of iemand de deur is doorgelopen. Ze vertellen je niets over wat er in de kamer gebeurde.

Vier redenen waarom het stokt

In de trajecten die ik heb gezien, komt het bijna altijd neer op een combinatie van deze vier. Zelden op één.

1. Er is geoefend, maar niet in het echte werk

De training ging over de tool: dit is het venster, zo stel je een vraag, let op deze valkuilen. Nuttig, en volstrekt onvoldoende. Want de vraag die iemand 's ochtends heeft is niet "hoe werkt dit", maar "helpt dit mij bij het ding waar ik nu mee bezig ben".

Wat wel werkt: mensen laten oefenen met hun eigen dossier, hun eigen mail, hun eigen verslag. Niet met een voorbeeldcasus. Het verschil in blijvend gebruik tussen die twee vormen is groter dan alle andere interventies bij elkaar.

2. De taak is veranderd, de rol niet

Iemand kan met AI in twintig minuten doen waar eerst een dag voor stond. Prachtig. Maar zijn functieomschrijving, zijn planning, zijn beoordelingsgesprek en de verwachtingen van zijn leidinggevende gaan nog uit van die dag.

Dan gebeurt er iets voorspelbaars: mensen gebruiken de tijdwinst niet om meer of beter werk te doen, maar om de tijdwinst te verbergen. Niet uit onwil, maar omdat het systeem hen daarvoor beloont. Zolang rollen, processen en gesprekken niet meebewegen, vraagt u van mensen precies datgene wat hun organisatie hen impliciet verbiedt.

3. Niemand durft de eerste te zijn

Er is een periode waarin het gebruiken van AI nog voelt als toegeven dat je iets niet zelf kon. Zeker in organisaties waar vakmanschap het belangrijkste statussymbool is — juristen, adviseurs, analisten, ingenieurs.

Die drempel verdwijnt niet met een beleidsstuk. Hij verdwijnt op het moment dat iemand met gezag hardop laat zien hoe hij het zelf gebruikt, inclusief de keren dat het niet werkte. Leiderschap is hier geen kwestie van uitdragen, maar van voordoen.

4. De kaders ontbreken, dus iedereen remt zelf

Dit is de meest onderschatte. Als niet duidelijk is wat wel en niet mag — welke informatie erin mag, wat er nooit ongecontroleerd naar buiten gaat, waar een mens verantwoordelijk blijft — dan lost ieder mens dat individueel op. En mensen die twijfelen, kiezen bijna altijd voor niets doen.

Het contra-intuïtieve is dus: heldere kaders remmen niet. Ze halen de rem eraf. Wie precies weet waar de grens ligt, durft er tot vlak ertegenaan te werken.

Angst is informatie, geen weerstand

In elke organisatie waar dit speelt, zijn er mensen die zich zorgen maken. Over hun baan, over de kwaliteit van het werk, over het tempo waarin alles verandert, over collega's die worden ingehaald.

Die zorgen worden vaak weggezet als weerstand die "meegenomen" moet worden. Dat is een dure vergissing. Meestal zitten er precies in die zorgen de scherpste observaties over waar het misgaat: welke controles wegvallen, welk vakmanschap sluipenderwijs verdwijnt, welke fouten straks niemand meer opmerkt.

De mensen die het hardst twijfelen zijn vaak de mensen die u het hardst nodig heeft om dit goed te doen. Ze wegwuiven kost u niet alleen hun steun, maar ook hun oordeel.

De vraag die het gesprek verandert

De meeste business cases beginnen bij besparing. Zoveel uur per medewerker, maal zoveel medewerkers, maal een uurtarief. Het rekent lekker weg en het levert zelden iets op, omdat het niemand in beweging brengt. Wie hoort dat zijn werk efficiënter moet, gaat niet enthousiast experimenteren.

De vraag is niet hoeveel u bespaart. De vraag is wat u nu kunt doen wat vorig jaar nog te duur, te traag of te groot was.

Dat is een wezenlijk ander gesprek. Het gaat over de analyse die u altijd wilde maken maar nooit kon bekostigen. Over de dienstverlening die u wilde persoonlijker maken maar niet kon bemensen. Over het onderzoek dat op de plank bleef liggen. In dat gesprek is AI geen bedreiging voor iemands functie, maar gereedschap voor iets wat mensen zelf al wilden.

Wat wel werkt

1. Begin bij een echt vraagstuk, niet bij de tool. Kies één werkproces waar de pijn tastbaar is en waar mensen zelf al mopperen. Daar is de motivatie gratis.
2. Laat oefenen met eigen werk. Geen voorbeeldcasussen. Een uur met het eigen dossier levert meer op dan een dag met een demo.
3. Maak de kaders eerst. Kort, leesbaar, op één A4. Wat mag erin, wat gaat nooit ongecontroleerd naar buiten, wie is waarvoor verantwoordelijk.
4. Verander de rol mee. Als het werk verandert, moeten planning, verwachtingen en gesprekken mee. Anders straft u het gedrag af dat u zoekt.
5. Meet gedrag, niet activatie. Niet hoeveel mensen inloggen, maar hoeveel werk aantoonbaar anders gaat. Dat is lastiger meten en oneindig veel bruikbaarder.
6. Laat leiders het voordoen. Inclusief de mislukkingen. Niets normaliseert sneller dan een directeur die vertelt waar het bij hem niet werkte.